SURVEY-CLASSIFIER融合

Kanchan Saxena^{* 1}和Vineet Richaria²

计算机科学,Rgpv / Lnct,博帕尔米。P、印度
计算机科学,Rgpv / Lnct,博帕尔米。P、印度

通讯作者:Kanchan Saxena,电子邮件:(电子邮件保护)

文摘

多分类器融合方法最近发展打开一个替代方法导致分类性能改善的潜力。几乎没有信息融合理论本身,目前我们面临着不同的方法用于不同的问题并产生不同的结果。介绍了调查的各种分类方法获得最优结果应用与融合技术。分类是监督学习的例子。分类是数据挖掘功能,分配项目目标类别或类集合。分类的目的是准确预测每个案例的目标类数据。许多分类技术用于提高分类的准确性,如再(资讯),支持向量机(svm)、集群等。目前十年的数据增长速度的增长。互联网genrate大量unstuctured数据,整个数据包含文本、文档,视频和图像。所需的集团数据分类,分类作为一种监督式学习的一部分,在这个技术集团的数据引导的方式发生。我们insentively回顾各种研究和相关的期刊论文数据分类等不同的方法使用这些技术资讯(再邻居),svm(支持向量机)、聚类和分类。在最近的研究数据挖掘发展新的技术等新兴技术被称为数据融合。

介绍

分类是数据挖掘功能,分配项目目标类别或类集合。分类的目的是准确预测每个案例的目标类数据。分类的基础上所做的训练集和测试集。

假设我们有一组=(苹果、移动、纸张、袋、笔、硬币)

训练集={}的属性集合

苹果苹果=属性={甜、红色、固体}

移动=属性的移动={固体、环、光}

纸=属性纸={读、写}

袋=包的属性={布料,皮革,固体,空间}

硬币=硬币的属性={固体,薄,圆}

Testset ={固体、环、光、读取、赖特、固体、布、皮革、固体、空间,固体,薄,圆}。

现在我们必须根据共享的共同属性集进行分类

c1, c2, c3,…………………………………厘米

厘米=混淆矩阵。

混淆矩阵显示正确的数量和所作的不正确的预测模型与实际测试数据的分类。矩阵n×n,其中n是类的数量。有一个重要的一点是指出,为提高分类的性能必须设法减少混淆矩阵

关于数据融合

合并多个系统的数据融合算法的检索结果接受两个或两个以上的排名列表和把这些列表合并成一个单一的排名列表,目的是提供更好的效果比所有系统用于数据融合。

一。结合来自不同系统的证据会导致性能改进

我。使用数据融合实现更好的性能比单个系统参与的过程

b。同样的想法也被用于不同的查询表示

二世。融合不同查询的结果表示同样的请求和获得更好的结果

在数据挖掘融合趋势:

本文回顾信息融合技术的主要用途领域的数据挖掘。这些用途的分类为三个——粗糙类

1.预处理。

b。2。建筑模型

c。3。信息提取

现在一天大量的数据可在公司行业和研究人员。因为收集的数据通常是容易的,昂贵然而大多数原始数据和有用的相关知识中提取。数据挖掘(DM)和知识发现(资讯)在数据库领域研究提供方法来提取这些知识. data开采利用信息融合技术对提高质量提取的知识。三个主要用途可以区分:-

)在预处理信息融合,融合是用来改善前的原始数据的质量数据挖掘方法的应用程序。

构建模型b)信息融合模型由数据(如使用某种形式的信息融合技术。一个特定聚合算子融合部分结果)

c)信息融合用于提取信息——知识从数据中提取特定的信息融合技术的结果。(如。一个聚合值计算的数据)。

Litrature调查和相关工作:

本节提供了一个广泛的文献调查classifie rperfomence与融合技术。我们学习各种研究论文和期刊,了解分类器性能提供更好的和准确的结果如果我们使用融合。所有不这里描述的方法和过程。但是一些相关工作领域的分类讨论的作者和各自的标题。

通过穆罕默德。汗,Zahoor Jan和安瓦尔·m .殿下(“分类器融合模型的性能分析与最小特性数据集的子集和旋转”)领域的摘要是(分类),在本文中,我们调查了三个方面的分类器融合系统aaplied性别分类问题。摘要我们得到的结果是,“分类组合通常在比较单个分类器,但承诺更好的性能在融合分类器有使用不同模型像单身,最好的,固定的规则组合器和分类器组合器模型。每个模型都有其优势。我们调查本文固定组合器和分类器组合器产生更好的结果比单一的最佳分类器。我们使用固定组合器更好的执行模式模型旋转数据集与任意数量的特性和使用分类器组合器模型有更好的性能在旋转数据集使用最小数量的特性。

b)位于Deegalla和亨利克·博斯特罗姆(“改善融合Dimentionality削减近邻分类方法”)本文在(分类),我们在本文研究“两新方法有三个共同的特性和分类器融合Dimentionality还原方法近邻分类器在高维度”

c)由诺曼Poh和萨米Bengio(“使用嵌合构建融合分类器在生物认证任务:调查报告”)领域的摘要(分类),在本文中,我们调查了,(“如何使用嵌合数据库构建一个模型,一个approachwhich我们所知,没有研究过。这个初步研究得出一个重要结论是融合算子来源于chimeric-user数据库不提高或降低泛化性能(真实用户)对培训真实用户。”)。目前的研究旨在回答第二个问题。在四个分类器和测试多达3380的脸和语音双向融合任务(通过4种不同协议)螃蟹船数据库和四种不同的融合算子,这项研究表明,生成多个嵌合数据库不降低或提高融合算子的性能测试在真实用户数据库对仅使用一个真实用户数据库。

d)阿卜杜勒·马吉德,Asifullah汗和安瓦尔·M。Mirza(“使用离散余弦变换性别分类:比较不同的分类器”)领域的摘要(分类)的调查(“性别分类的问题,使用标准libraty四百/枝的面部图片采用五classfiers,即K-mum,再邻居。线性判别分析(LBA)。性别分类系统可以分为两个部分:特征提取和分类。主要的思想是运用DCT减少信息冗余和比较不同分类器的性能,在域在不同条件下。输入面图像DCT Mefficients系统首先计算并选择有限。提要选择分类器的输入。最后对性别分类器输出预测的脸。”)

e)由克劳德Tremblay和皮埃尔华菱(“实验的个体分类器和一组分类器融合”)这是领域的论文(分类)在我们调查(“船红外图像识别的新方法的基础上,融合个人为了获得更可靠的决策结果,结果表明,单个分类器可以是一个不错的选择。在特定情况下,个体DSclassifiers表现的更好。该方法的一个优势是,我们使用简单的算法。”)

f)法比Scalzo1乔治·Bebis2米尔卡Nicolescu2,莱安德罗Loss2(“性别分类特征融合层次结构”)交易领域的分类上我们研究了图像分类的层次特性融合模型是由一个进化学习算法。模型有能力结合本地块的位置、宽度和高度会自动决定在学习。表征框架相结合的两级层次的特征融合和决策融合成一个统一的模型。层次结构的结构本身构造的自动学习期间产生最佳的局部特征组合。比较不同分类器的评估提供一个具有挑战性的性别分类图像数据库。它展示了这些功能融合层次结构(FFH)的有效性。

g)由李明和罗南睡眠(“改善旋律分类判别特征提取和融合”)交易领域的分类,纸我们调查了一个通用的方法来判别featureextraction和融合,建立在一个最优的特性转换为判别分析。这个实验表明,我们的方法可以显著降低原始特征空间的维数而提高判别能力。我们的特征融合方法可以进行减少lowerdimensional子空间,导致精度的进一步提高。我们的实验只关注音乐风格的分类基于音调序列来自单声部的旋律。

h)江董*,Dafang壮族,Yaohuan黄和傅盈(“进步在多传感器数据融合算法和应用程序”)描述概述卫星多传感器图像融合的最新进展。首先,介绍了最受欢迎的现有融合算法,强调他们最近的改进。在遥感主要应用领域的发展,包括对象识别、分类、变化检测和机动目标跟踪。这些应用程序的优缺点都是接着讨论。建议解决,包括:(1)改进的融合算法;(2)“算法融合”的发展方法;(3)建立一个自动质量评估方案。

确认,

作者要感谢匿名评论者的仔细阅读论文的改进和建议。

结论

本文生产各种纸,我们的调查研究,本公司更好的分类器组合结果isteed执行单一分类器。

引用

a·m·m·阿卜杜勒·马吉德Asifullah汗。使用离散余弦变换性别分类:比较不同的分类器。国际IEEE多主题会议(2003年INMIC),伊斯兰堡,巴基斯坦,12月。
d . r . B.Gabrys。遗传算法在分类器融合。应用软计算。
w·y·d·派崔吉。神经网络系统工程多版本。神经计算,(8),1996年8月。
p . r . t . p .供R.W.P.Duin Matlab实现。
G.Rogova。结合几种神经网络分类器的结果。神经网络。
http://white.stanford.edu/dilaro/ee3684/code/male.zip
l . Kuncheva。结合模式分类器:方法和算法。约翰•威利父子公司。
l . Kuncheva和c·惠特克。十个分类器的多样性集合体的措施:限制两个分类器。《IEE研讨会智能传感器处理,英国伯明翰。
C . s . r . d . L.I. Kuncheva C。J·惠特克。限制分类器融合的多数投票的准确性。模式的分析和应用,(6),2003年6月。
c . w . L.I. Kuncheva。特征子集的分类器组合:一个计数的实验。第二届国际研讨会在多分类器系统中,英国剑桥课堂讲稿在计算机科学中,信号2096,气象出版社。
r . Z。锅和H.Bolouri。降维的脸使用dct图像识别。技术报告、科技研究中心(STRC)。
r . Z。锅和H.Bolouri。图像识别使用离散余弦变换作为降维。IEEEEURASIP研讨会非线性信号和图像处理(NISP01), 6月。
m . e . Aladjem“二进制特征判别分析相结合”(保加利亚),生物控制论,8卷,页57 - 62,1991。
大肠Alpaydin和乔丹,“当地线性感知器分类、IEEE反式。神经网络,7卷,第792 - 788页,1996年5月。
j . c . Bezdek j·m·凯勒r . Krishnapuram和n . r .朋友,模糊模型和算法进行模式识别和图像处理。Norwell, MA:血案》,1999年版。
b . v . Dasarathy和b . v .专家Sheela组合分类器系统设计:概念和方法论、“Proc, IEEE 67卷,708 - 713年,1978页。
r·o·杜达和p·e·哈特,模式分类和场景分析。纽约:威利,1973年。
r .毛重Duin”,注意在分类器相比,“Recognit模式。列托人。,vol. 17, pp. 529–536, 1996.
t . k . Ho, j·j·赫尔斯里赫里、“决策组合多分类器系统”,IEEE反式。模式肛门。机器智能。,vol. 16, pp. 66–75, Jan. 1994.
n美国诉饶。Metafusers,程序的设计和性能评估研讨会,跟踪和融合:班Bar-Shalom致敬,蒙特利,CA, 200年5月1。
属斯科兰吉斯和j . y .公园。自动线性树分类器的设计,模式识别,23卷,12号pp.1393 - 1412, 1990。
m . k .胡锦涛。视觉模式识别的不变矩,愤怒反式。通知。理论,8,pp.179 - 187, 1962。
贝塞尔函数,”菲尔。反式。罗伊。Soc。伦敦,A247卷,第551 - 529页,1955年4月。
j .克拉克·麦克斯韦电和磁论述,第三ed,卷。2。1892年牛津:克拉伦登,pp.68 - 73。
i s·雅各布斯和c·p . Bean微粒、薄膜和交换各向异性”,在磁性,第三卷,g . t .雷达手表和h·苏尔。纽约:学业,1963年,页271 - 350。
k .艾丽莎标题纸如果已知未出版。
r·尼科尔“标题纸只有第一个单词大写,“j .名字站。简写的。,in press.
y Yorozu, m . Hirano k .奥卡河,y Tagawa,“电子能谱学研究磁媒体和塑料衬底界面,“IEEE Transl。j .增效。日本,2卷,第741 - 740页,1987年8月[摘要9年相依磁学日本,p。301年,1982年)。
m .年轻,技术作家的手册。米尔谷,CA:大学科学,1989。
电子出版物:数字对象标识符(必须):
d . Kornack和p . Rakic”,没有神经发生在成年灵长类动物大脑皮层细胞增殖,”科学,294卷,2001年12月,页2127 - 2130,doi: 10.1126 /科学。1065467。(期刊文章)
h . Goto,长谷川y和m .田中“高效调度关注MPL代表的二元性,“Proc, IEEE计算机协会。计算智能调度(07年者),IEEE出版社,2007年12月,页57 - 64,doi: 10.1109 / SCIS.2007.357670。在会议论文集(条)